生产过程中的燃烧性能是一个关乎生产效益、安全生产和环境保护的重要因素。燃烧性能指标目前虽然可以通过使用专用测量仪器设备来获取,但是伴随着测量仪器设备种类的增多,投入成本过高,且不容易实现生产自动化。由于氧乙炔火焰在工业生产中的广泛应用,其燃烧状态的自动监测越来越为人们所重视。实现对氧乙炔火焰燃烧状态的计算机识别,可以更好地实现其燃烧过程的自动控制,有利于提高生产力。要实现对燃烧过程的自动化监控,就要实现基于机器的燃烧过程的分类识别。火焰图像是燃烧最直接的反映。对火焰图像进行处理,提取火焰图像中表征燃烧状态的参数,进而实现对燃烧过程的自动识别将会取得更直观的效果。氧乙炔火焰的燃烧过程是一个随机过程,用对随机过程有很好模拟能力的隐马尔可夫模型(HMM)对其进行建模与识别,可以达到更好的效果。本文据此展开研究。本实验以CCD摄像机作为光学传感器,将其采集到的氧乙炔火焰图像及图像序列作为监测值。在图像预处理过程中,分析了传统滤波及分割方法中存在的问题,在此基础上提出了自适应投票快速中值滤波算法(AVMF)和使用RGB颜色通道对图像进行分割的新方法,并在此基础上提取最能反映氧乙炔焰特点的相关特征值。研究中使用人工神经网络方法、单特征量一维HMM方法和二维HMM方法分别对氧乙炔焰的燃烧过程进行建模与识别,分析了各种方法的识别准确率与运算速度,在此基础上提出了使用一维分步HMM技术对氧乙炔焰的燃烧建立基于图像特征值序列的隐马尔可夫模型,对待识别的图像序列,提取特征值后,用viterbi算法计算出表征燃烧过程状态的状态序列,实现对氧乙炔焰燃烧过程的分类与识别。通过MATLAB6.5环境下的仿真实验证明,对于氧乙炔火焰图像,本文提出的一维分步技术,不仅计算简单、处理速度快而且识别准确率高。